对全景街区影像的研究已成为当前遥感领域研究的热点问题之一。对全景街区影像进行变化检测能够科学、准确的对城市街道的违章、违建进行排查,对棚户区、老城区的改造进行科学合理的规划,对于整个城市的规划有着重要的价值。本文以通过车载相机获取的海啸地震前后的全景街区影像作为实验数据,根据对现有变化检测方法的归并总结,通过预处理、变化信息提取、精度评价等流程,选取其中的三种方法对全景街区影像进行研究。主要工作、研究内容及结果如下:(1)针对国内外目前对全景街区影像变化检测研究较少的现状,研究了基于像素的全景街区影像变化检测、基于对象的全景街区影像变化检测、基于深度学习的全景街区影像变化检测方法,并开展了相关实验。(2)研究基于像素的变化矢量分析法(Change Vector Analysis,CVA)的全景街区影像变化检测:依据变化矢量分析法的理论基础及其数学原理,在进行了变化矢量分析法后,选取大津法作为阈值分割方法,确定变化阈值,通过此方法得到了较优的阈值分割结果,最终两组实验的精度分别为60.3%,58%。(3)研究基于线性支持向量机(Support Vector Machines,SVM)的复杂全景街区影像的变化检测:采用分类后比较法对全景街区影像进行变化检测,实验选取支持向量机的方法,根据地物类型选择训练样本,并进行监督分类,选取的核函数为多项式核函数,分类后进行精度评价,两组实验的精度分别为72.8%,78.9%。(4)研究基于Segnet网络模型的全景街区影像变化检测结果:针对传统的变化检测方法对全景街区影像检测时精度低、获取的变化结果图质量差等问题,本文采用基于深度学习的变化检测方法。主要选取的是Segnet网络模型,该网络适用于本文数据,具体做法是将训练集分类归并为11类,通过训练并测试得到两组实验的精度分别为81.4%和82.2%。实验结果表明:在本文所选取的方法中,基于深度学习的变化检测精度较其他两种方法有所提高,但是仍然没有达到理想的效果,可见对全景街区影像的变化检测仍存在巨大的挑战。